基于深度学习框架的多类运动想象脑电分类研究

模式识别是脑机接口(brain computer interface,BCI)系统的核心部分,其中特征提取和分类方法对最终分类结果有着决定性作用.针对多类运动想象脑电识别过程中特征提取困难,识别准确率低的问题,文中提出了一种新的基于深度学习框架的多类别运动想象脑电分类方法.首先,为了满足深度学习方法的大批量样本的需要,使用自编码器(auto-encoder,AE)对训练样本进行扩充;其次,针对脑电信号的特点,设计4个巴特沃斯带通滤波器提取脑电的θ、α、β和γ波段,并对每一波段的信号进行傅里叶变换,然后计算幅值的均值和方差;最后,通过深度信念网络(deep belief network,DBN)对脑电信号进行分类识别.文中使用BCIⅢ的竞赛数据集对所提出的方法进行验证,实验结果表明,文中方法能够有效地提高多类运动想象脑电的分类准确率,分类结果的平均kappa系数达到了0.802 4.     

线性预测编码和支持向量机在目标识别中的应用

针对利用船舶辐射噪声进行水下目标识别的问题进行研究,提出一种基于线性预测编码(LPC)倒谱系数和支持向量机(SVM)的船舶目标识别方法。该方法通过对捕获到船舶辐射噪声进行LPC倒谱分析,实现各信号分量及信道的分离,以提取其LPC倒谱参数。再采用支持向量机技术处理多类水下目标的非线性、小样本的识别分类。最后,利用仿真得到的几种水下目标辐射噪声进行本文算法试验,证明本文算法是有效的,并取得较高的识别准确率。     

基于SSD的船名检测方法研究

船名检测技术是船名自动识别的关键一步,研究出适合实际场景的船名检测技术对推动船舶自动化管理具有重要意义。为提高船名检测准确率,本文采用SSD深度神经网络对船名进行检测,基于5万张船舶图像进行训练,最后得到识别率高、漏检率及误检率低的船名检测模型。实验表明,该方法能适应昼间、夜间、强光和弱光多种光照环境,船名检测的精度达到92.6%,召回率达到90.8%,基本可以满足全天候的船名检测需要。     

基于嵌入式技术的船舶故障诊断控制器设计

船舶故障诊断是船舶运输航行的重要技术支持,为了有效提高船舶故障诊断效果,基于嵌入式技术设计新型船舶故障诊断控制器。该控制器从故障异常数据入手,首先建立故障训练样本,用于表示船舶正常航行以及多类型故障时的数据标数,根据训练样本,提取当前故障信号诊断特征,并利用最小二乘法对上述建立的训练样本数据进行直接限制,完成诊断特征分类,将分类后的数据进行信号去噪,消除无用数据,确定信号标度因子值,通过数据清洗,重新划分定位故障数据,实现故障诊断。实验数据表明,应用该故障诊断控制器,故障诊断率提高了22%,故障误判率降低了30%,有效提高船舶故障诊断控制效果。     

基于机器学习算法的船舶电气故障分类与诊断方法

为实现船舶电气故障的早发现、早解决,设计基于机器学习算法的船舶电气故障分类与诊断方法。采用Trager能量算子增强传感器采集到的船舶电气设备振动信号,利用小波包分析方法提取增强后的电气设备振动信号特征,将电气设备振动信号特征输入卷积神经网络中进行训练,得出最佳的故障分类与诊断模型,并利用该模型实现船舶电气设备的故障分类与诊断。实验表明：采用Teager能量算子可以快速准确地将传感器采集的信号放大,且放大过程没有信息损失。训练后卷积神经网络的故障分类与诊断正确率接近100%,可能够准确诊断出船舶电气设备是否存在故障,并获取对应的电气故障类型。     

基于无线自组织网的船舶通信信号传输质量检测方法

针对船舶通信信号传输质量研究,采用传统方法存在检测效率低的问题,提出了基于无线自组织网的船舶通信信号传输质量检测方法。构建船舶通信信号模型,检测设备连接情况,实时处理接收到的信号。保证码元周期不变,可获取接收信号表现函数。根据该函数,选择不同长度设备电缆进行测试,选取测试点,设计船舶通信信号传输质量检测流程。依据数据包检测结果,实现对船舶通信信号传输质量检测。通过实验对比结果可知,采用无线自组织网络方法检测效率最高为94%,为船舶提供良好的通信环境。     

吴淞口水域船舶交通风险的模拟分析与评估

吴淞口水域通航密度大,船舶分流复杂,且交通事故易发.有效评估其交通危险性,以保障船舶安全通航,具有重大的现实意义.基于船舶流量实测数据,经统计分析,并借助VB编程实现船舶交通模拟,对该水域的交通风险进行评估,结果证实该水域的交通危险性随潮汐的变化趋势呈马鞍形曲线,且存在3个主要的高危险区,与船舶交通事故的发生规律保持一致.试验证明:依据实测船舶流量数据模拟的方法可对特定水域的危险性进行全方位的评价.     

基于回声状态网络的船舶交通事故预测

船舶交通事故的预测结果对船舶交通智能管理具有指导性意义,针对当前船舶交通事故的预测误差大,建模过程耗费时间长等难题,设计基于回声状态网络的船舶交通事故预测模型。首先对当前船舶交通事故预测研究现状进行分析,指出各种船舶交通事故预测建模方法的局限性,然后收集大量的船舶交通事故历史数据,并进行一定预处理,构建船舶交通事故预测样本数据,然后通过回声状态网络的学习建立船舶交通事故预测模型,并采用具体船舶交通事故预测仿真实例分析其性能,回声状态网络的船舶交通事故预测精度超过95%,预测结果十分稳定,缩短了船舶交通事故预测建模过程耗费的时间,是一种高精度、速度快的船舶交通事故预测方法。     

海员疲劳及其影响因素

为明确导致船员疲劳最主要的因素以及进一步评估中国船员的疲劳状况,给相关海事部门和航运企业制订疲劳法规和管理政策提供可行性证据和支持,基于多维度疲劳结构(MFI-20)及NASA任务负荷指数(NASATLX)设计包含主观评价及加班感受的调查问卷,对国内船舶管理公司在船船员进行问卷调查,回收有效问卷370份。运用SPSS软件进行相关系数和探索性因子分析,利用AMOS软件建立船员疲劳结构方程。结果表明:物理工作环境、休息情况和工作节奏等3个因子对船员疲劳程度的影响最为显著。国内船舶管理公司和相关海事部门可通过降低工作节奏和改善物理工作环境来减少船员任务负荷,制订适当的休息时间来提高船员表现。     

对我国《船舶交通事故统计规则》中事故分类的再设计

通过对比我国与IMO对船舶事故分类类别和各类事故定义的不同,指出我国《船舶交通事故统计规则》中事故分类存在的缺陷,并对船舶交通事故类别进行了重新划分。     

船舶电气设备电磁干扰信号补偿算法

利用传统算法对船舶电气设备电磁干扰信号进行补偿后,信号信噪比较小,补偿效果不好。针对上述问题,提出一种新的船舶电气设备电磁干扰信号补偿算法。该算法主要分为两步:一是行容错信号检测,包括信号采集和容错信号分类识别;二是据检测结果进行容错信号补偿,包括补偿参数计算和容错补偿实现。结果表明:与传统补偿算法相比,利用本算法对船舶电气设备电磁干扰信号进行补偿后,信号信噪增大11.3 d B,补偿效果较好。     

船舶驾驶员驾驶疲劳程度的模糊综合评价

采用定性与定量分析相结合的方法,借助模糊推理方法建立船舶驾驶员驾驶疲劳程度的定量化评价模型,运用MATLAB模糊逻辑工具箱来实现模型的计算机化,从而为评价船员疲劳提供定量化的依据。     

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。     

基于LSTM-FCN神经网络的船舶电力系统故障识别方法

船舶电力系统拓扑结构日趋复杂，故障种类繁多且不易区分。为确保继电保护动作的正确性，本文基于船舶电力系统故障录波数据，利用全卷积网络(Fully Convolutional Network, FCN)在局部特征提取上的优势，以及长短期记忆网络(Long Short-Term Memory, LSTM)在时序特征提取上的优势，提出了一种基于改进LSTM-FCN网络的故障诊断模型，并应用于船舶电力系统故障识别。依托PSCAD/EMTDC仿真软件对典型船舶电力系统各种故障进行仿真，通过小波变换对采样信号进行预处理。实验结果表明：本文所提出的故障诊断模型能够很好地对船舶电力系统故障进行分类识别。     

基于TMR阵列的脉冲涡流海水管路腐蚀检测技术

船舶海水管路的腐蚀影响管路运行的可靠性,严重时甚至会导致管壁破损,影响船舶的安全航行,研究管路的腐蚀程度检测技术具有重要意义。针对船舶海水管路布置紧密、管壁较薄、管径较小等特点,本文比较分析多种无损检测技术的原理及优缺点,重点分析脉冲涡流检测技术。针对信号检测器件,比较分析感应线圈、霍尔传感器以及多种磁电阻传感器的性能参数和研究现状,提出基于TMR阵列的脉冲涡流检测系统设计方案。     

基于EMD的船舶动力系统振动信号分析

为了提高船舶动力系统的故障分析和诊断能力,需要对振动信号进行模态分解和特征分析,提取有用的信号特征量,实现故障检测,提出基于经验模态分解(EMD)的船舶动力系统振动信号分析方法,采用宽带非平稳信号建模方法进行船舶动力振动信号建模,采用匹配滤波检测器对振动传感器采集的原始信号进行降噪滤波处理,对降噪输出的信号进行经验模态分解,提取信号的所有局部极值点,用三次样条曲线分析方法提取振动信号的复包络,实现信号特征提取和分析。仿真结果表明,该方法提取的信号特征量能有效反映船舶动力系统的工况特征,实现船舶动力系统的运行状态实时监测和故障分析,信号分析的抗干扰能力较强。     

云平台和分布式处理系统的船舶图像分类

在云平台和分布式处理系统中进行船舶图像分类,提高船舶的调度和识别能力,提出一种基于Harris角点检测和BP神经网络的船舶图像分类算法,在云平台和分布式系统下进行船舶图像采集,对采集的船舶图像进行二值化降噪处理,采用Harris角点检测技术提取船舶的分类标识性特征量,将提取的特征量输入到BP神经网络分类器中,实现云平台环境下的船舶图像分类。仿真结果表明,采用该方法进行船舶图像分类的准确性较高,抗类间干扰性较强。     

基于反地理编码服务的内河船舶轨迹停留语义信息提取

由于内河水域电子航道图在完整性和及时性方面的不足，传统依赖电子航道图的船舶轨迹停留点挖掘方法在准确率和效率方面受到限制。在线地图资源蕴含着大量的地理空间语义信息，能为船舶活动轨迹提供丰富的地理关联解译。综合利用互联网中的地图数据服务，提出一种基于反地理编码的内河船舶轨迹停留语义信息提取方法。识别船舶在港口、码头等区域的轨迹停留段，提取每段的停留中心点；利用在线地图的反地理编码服务获取停留中心匹配的区域集合，计算每个区域的船舶停留特征；基于关键字对多个区域进行融合，生成船舶轨迹的停留语义信息。利用2018年7月—2018年8月长江区域船舶的真实轨迹数据进行试验，结果表明：该算法能有效地提取船舶轨迹的停留语义信息，平均准确率达到94%以上。     

船舶动力系统低压弱电设备故障检测方法

动力系统是船舶稳定航行的基础与关键,所含低压弱电设备复杂度逐渐攀升,故障概率也随之增加,为船舶稳定航行带来了威胁,因此提出船舶动力系统低压弱电设备故障检测方法研究。利用传感器获取船舶动力系统低压弱电设备振动信号,采用五点三次平滑法对振动信号进行平滑处理,以此为基础,Fourier变换振动信号,提取振动特征信号(有效值及其能量),将提取的振动特征信号输入至训练好的一维深度卷积神经网络中,网络输出即为低压弱电设备故障检测结果,实现了低压弱电设备故障的检测。实验数据显示,3个数据集的故障检测率均高于95.2%,符合船舶航行需求,证实了提出方法的可行性。     

海上船舶碰撞事故原因探讨——疲劳的剖析

在发生的船舶海事事故中,人为因素特别是疲劳被确认为一个促进因素,由于疲劳导致人犯错误是无数海难事故的根源,包括20世纪最严重的一起海上环境污染事故-Exxon Valdez轮事件.疲劳的影响对航行中的船舶来说是非常危险的,因为疲劳能影响驾驶员的思想行为,以及对事情作出判断或解决复杂问题的能力.通过几个案例来阐述疲劳的危害,以引起船舶管理者和操船人员的重视.同时提出了在航行条件下,驾驶员如何采取一些方式避免或减轻自己疲劳的建议.